许可证：llama3

LLaMA-3-8B-SFR-SFT-R

此为Salesforce/SFR-Iterative-DPO-LLaMA-3-8B-R的监督微调模型。

模型发布

• 监督微调模型
• 奖励模型
• 强化学习人类反馈模型

引用

若您的研究或产品受益于本模型，请引用我们的技术报告。

@misc{dong2024rlhf,
      title={RLHF Workflow: From Reward Modeling to Online RLHF}, 
      author={Hanze Dong and Wei Xiong and Bo Pang and Haoxiang Wang and Han Zhao and Yingbo Zhou and Nan Jiang and Doyen Sahoo and Caiming Xiong and Tong Zhang},
      year={2024},
      eprint={2405.07863},
      archivePrefix={arXiv},
      primaryClass={cs.LG}
}

Salesforce AI模型、数据及代码的伦理声明

本版本仅限支持学术论文的研究用途。我们的模型、数据集及代码并非针对所有下游用途设计或评估。我们强烈建议用户在部署前评估并解决可能涉及的准确性、安全性与公平性问题。用户应充分考虑AI的普遍局限性，遵守适用法律，并在选择应用场景时（尤其是可能显著影响人们生活、权利或安全的高风险场景）采用最佳实践。更多使用指南请参阅标准版《可接受使用政策》及《AI可接受使用政策》。